codait/max-scene-classifier

IBM Code Model Asset Exchange：场景分类器

本仓库包含用于实例化和部署图像分类模型的代码。该模型可识别Places365-Standard数据集（Places2数据集子集）中的365种不同场景/位置类别。模型基于https://github.com/CSAILVision/places365%EF%BC%8C%E7%94%B1%E4%BD%BF%E7%94%A8ResNet%E6%9E%B6%E6%9E%84%E7%9A%84%E9%A2%84%E8%AE%AD%E7%BB%83%E6%B7%B1%E5%BA%A6%E5%8D%B7%E7%A7%AF%E7%BD%91%E7%BB%9C%E7%BB%84%E6%88%90%EF%BC%8C%E5%9C%A8ImageNet-2012%E6%95%B0%E6%8D%AE%E9%9B%86%E4%B8%8A%E8%AE%AD%E7%BB%83%EF%BC%8C%E9%9A%8F%E5%90%8E%E5%9C%A8Places365-Standard%E6%95%B0%E6%8D%AE%E9%9B%86%E4%B8%8A%E8%BF%9B%E8%A1%8C%E5%BE%AE%E8%B0%83%E3%80%82%E6%A8%A1%E5%9E%8B%E8%BE%93%E5%85%A5%E4%B8%BA224x224%E5%9B%BE%E5%83%8F%EF%BC%8C%E8%BE%93%E5%87%BA%E4%B8%BA%E4%BC%B0%E8%AE%A1%E7%9A%84%E7%B1%BB%E5%88%AB%E6%A6%82%E7%8E%87%E5%88%97%E8%A1%A8%E3%80%82

本仓库使用的具体模型变体是https://github.com/CSAILVision/places365#pre-trained-cnn-models-on-places365-standard%E3%80%82%E6%A8%A1%E5%9E%8B%E6%96%87%E4%BB%B6%E6%89%98%E7%AE%A1%E5%9C%A8IBM Cloud Object Storage。本仓库中的代码将模型部署为Docker容器中的Web服务。本仓库是IBM Code Model Asset Exchange的一部分，其公共API由IBM Cloud提供支持。

模型元数据

参考文献

• B. Zhou, A. Lapedriza, A. Khosla, A. Oliva, and A. Torralba, "Places: A 10 million Image Database for Scene Recognition", IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017.
• B. Zhou, A. Lapedriza, J. Xiao, A. Torralba and A. Oliva, "Learning Deep Features for Scene Recognition using Places Database", Advances in Neural Information Processing Systems 27, 2014.
• K. He, X. Zhang, S. Ren and J. Sun, "Deep Residual Learning for Image Recognition", CoRR (abs/1512.03385), 2015.
• Places2项目页面
• https://github.com/CSAILVision/places365

许可证

前置要求

• docker：Docker命令行界面。按照安装说明为您的系统安装。
• 此模型的最低推荐资源为2GB内存和2个CPU。

部署选项

• 从Quay部署
• 在Red Hat OpenShift上部署
• 在Kubernetes上部署
• 本地运行

从Quay部署

要运行自动启动模型服务API的Docker镜像，请执行：

$ docker run -it -p 5000:5000 quay.io/codait/max-scene-classifier

这将从Quay.io容器 registry 拉取预构建的镜像（或使用本地已缓存的现有镜像）并运行。如果您希望本地检出并构建模型，可以按照下面的本地运行步骤操作。

在Red Hat OpenShift上部署

您可以按照本教程中的OpenShift Web控制台或OpenShift容器平台CLI说明，将模型服务微服务部署到Red Hat OpenShift，指定quay.io/codait/max-scene-classifier作为镜像名称。

在Kubernetes上部署

您也可以使用Quay上的最新Docker镜像在Kubernetes上部署模型。

在Kubernetes集群上，运行以下命令：

$ kubectl apply -f https://raw.githubusercontent.com/IBM/MAX-Scene-Classifier/master/max-scene-classifier.yaml

模型将在内部端口5000可用，也可通过NodePort从外部访问。

有关如何在IBM Cloud上将此MAX模型部署到生产环境的详细教程，请参见此处。

本地运行

1. 构建模型
2. 部署模型
3. 使用模型
4. 开发
5. 清理

1. 构建模型

本地克隆此仓库。在终端中运行以下命令：

$ git clone https://github.com/IBM/MAX-Scene-Classifier.git

进入仓库基础文件夹：

$ cd MAX-Scene-Classifier

要本地构建Docker镜像，请运行：

$ docker build -t max-scene-classifier .

构建过程中将下载所有必需的模型资产。注意：当前此Docker镜像仅支持CPU（稍后将添加GPU镜像支持）。

2. 部署模型

要运行自动启动模型服务API的Docker镜像，请执行：

$ docker run -it -p 5000:5000 max-scene-classifier

3. 使用模型

API服务器会自动生成交互式Swagger文档页面。访问http://localhost:5000即可加载该页面。您可以在其中浏览API并创建测试请求。

使用model/predict端点加载测试图像（可使用samples文件夹中的测试图像），并从API获取图像的预测标签。

!Swagger文档截图

您也可以在命令行中测试，例如：

bash
$ curl -F "image=@samples/aquarium.jpg" -XPOST http://localhost:5000/model/predict

您应该会看到类似以下的JSON响应：

json
{
  "status": "ok",
  "predictions": [
    {
      "label_id": "9",
      "label": "aquarium",
      "probability": 0.97350615262985
    },
    {
      "label_id": "342",
      "label": "underwater\/ocean_deep",
      "probability": 0.0062678409740329
    },
    {
      "label_id": "297",
      "label": "science_museum",
      "probability": 0.005441018845886
    },
    {
      "label_id": "239",
      "label": "natural_history_museum",
      "probability": 0.00413528829813
    },
    {
      "label_id": "167",
      "label": "grotto",
      "probability": 0.0024146677460521
    }
  ]
}

4. 开发

要在调试模式下运行Flask API应用，请编辑config.py，在应用设置下将DEBUG = True。然后需要重新构建Docker镜像（参见步骤1）。

5. 清理

要停止Docker容器，请在终端中按CTRL + C。

资源和贡献

如果您有兴趣为Model Asset Exchange项目做出贡献或有任何疑问，请按照https://github.com/CODAIT/max-central-repo%E7%9A%84%E8%AF%B4%E6%98%8E%E6%93%8D%E4%BD%9C%E3%80%82